PCA: Componentes Principales

Froggy Jumps

Parties jouées 1

Créer une copie

À propos de cette activité

Cuestionario sobre PCA y análisis multivariante

Créé par

Rebeca Quispe Orellana

Bolivia

Téléchargez la version pour jouer sur papier

Top 10 résultats

#	Jeux	Précision	temps
1	Rebeca Quispe Orellana 5 Novembre 2025	% 30	00:33

Voulez-vous apparaître dans le Top 10 de ce jeu? Connectez-vous pour vous identifier.

Créez votre propre jeu gratuite à partir de notre créateur de jeu

Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu

Créer un défi

The Integumentary System

Breanna Nesbitt

United States

(59)

Functions and Structures of the skin
Phlebotomy Order of Draw Quiz

Pamela Chapman

United States

(61)

Test your knowledge of the order of draw in Phlebotomy with these 10 questions!
Bill of Rights Game - The Constitutionalist

Doni The Don

United States

(92)

Test your knowledge on the Bill of Rights. A fun way to test your knowledge and focus on where you need to improve.
pizza

Lorelay Tyana

Romania

(266)

joc despre pizza
Ethos, Pathos, and Logos Quiz

Kristine Vester

United States

(134)

Test your knowledge of ethos, pathos, and logos with these 10 questions on examples of persuasive techniques.

		%
	Anonyme	%
		%
		%

Imprimez votre jeu

PCA: Componentes Principales


Froggy Jumps PCA: Componentes PrincipalesVersion en ligne Cuestionario sobre PCA y análisis multivariante par Rebeca Quispe Orellana 1 ¿Qué representa una componente principal en PCA? a La media de los datos b Una dirección de mayor varianza en los datos c La varianza total de cada variable 2 ¿Qué relación hay entre componentes principales y eigenvectores? a Son eigenvalores asociados a cada variable b Las componentes son eigenvectores de la matriz de covarianza c Son columnas de la matriz de datos 3 ¿Qué indica el primer componente principal? a La mayor varianza explicada por una sola dirección b La media de las variables c La menor varianza explicada 4 ¿Qué índice se usa para decidir cuánta varianza conservar? a Varianza explicada acumulada b Coeficiente de correlación c P-valor 5 ¿Qué significa la proyección de los datos sobre una componente? a Coeficientes de puntuación (scores) de la muestra b Residuos de la regresión c Valores originales de las variables 6 ¿Qué información proporcionan las cargas (loadings)? a La varianza total de cada componente b Contribución de cada variable a la componente c La media de cada variable 7 ¿Qué tipo de transformacion aplica PCA a los datos? a Reducción de dimensionalidad sin ortogonalidad b Escalado sin cambio de dirección c Rotación de datos para obtener direcciones ortogonales 8 ¿Qué ocurre si las variables están altamente correlacionadas? a Las primeras componentes explican la mayor parte de la varianza b Todas las componentes explican igual varianza c PCA falla y no existe solución 9 ¿Qué exige PCA sobre los datos antes de aplicar? a Eliminación de variables con cero varianza b Reducción de tamaño de muestra c Estandarización si las variables tienen distintas unidades 10 ¿Qué criterio ayuda a elegir el número de componentes? a Número de variables b Número de observaciones c Umbral de varianza explicada (p. ej., 90%)

Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.

PCA: Componentes Principales

Froggy Jumps

À propos de cette activité

Créé par

Téléchargez la version pour jouer sur papier

Top Jeux

Froggy Jumps

The Integumentary System

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

pizza

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

PCA: Componentes PrincipalesVersion en ligne

par Rebeca Quispe Orellana

¿Qué representa una componente principal en PCA?

¿Qué relación hay entre componentes principales y eigenvectores?

¿Qué indica el primer componente principal?

¿Qué índice se usa para decidir cuánta varianza conservar?

¿Qué significa la proyección de los datos sobre una componente?

¿Qué información proporcionan las cargas (loadings)?

¿Qué tipo de transformacion aplica PCA a los datos?

¿Qué ocurre si las variables están altamente correlacionadas?

¿Qué exige PCA sobre los datos antes de aplicar?

¿Qué criterio ayuda a elegir el número de componentes?